Contenido del curso

Tip

En esta unidad se abordan los principios de los modelos de regresión aplicados a las series temporales. Se introducen los conceptos de estacionariedad, autocorrelación y autocovarianza, y cómo estos son fundamentales para trabajar con modelos de series temporales.

  • Regresión simple y múltiple en el contexto de las series temporales
  • Estacionariedad en series temporales
  • Funciones de autocorrelación y autocovarianza
  • Análisis de la autocorrelación y parcial autocorrelación en series temporales
  • Modelos autoregresivos (AR) y medias móviles (MA)

Regresión lineal en series de tiempo

Concepto clave

Podemos aplicar el concepto de regresión para pronosticar una variable \(y_t\) asumiendo que tiene una relación esperada con otra en el tiempo \(x_t\).

\[ y_t = \beta_0 + \beta_1 x_{1, t} + \beta_2 x_{2, t} + \dots + \beta_k x_{k, t} + \varepsilon_t \]

Code
# | echo: true
# | fig-cap: "Ejemplo de regresión lineal simple"
set.seed(123)
x <- rnorm(100, mean = 50, sd = 10)
y <- 2 * x + rnorm(100, mean = 0, sd = 10) + rnorm(100)
plot(x, y, main = "Ejemplo de Regresión Lineal", xlab = "Variable Independiente (X)", ylab = "Variable Dependiente (Y)")
abline(lm(y ~ x), col = "blue")

Estimador Minimos Cuadrados Ordinarios (MCO)

  • El estimador MCO

El modelo macronomico del crecimento

  • El Producto Interno Bruto (PIB) es la agregación del